提出了一种名为 AntibodyFlow 的三维流模型，用于设计抗体 CDR 环。通过构建距离矩阵并基于该矩阵预测氨基酸，AntibodyFlow 能够学习 CDR 环的三维几何结构，实验证明 AntibodyFlow 在有效率和几何图形误差方面优于其他基线方法。

Jun, 2024

本文提出了一种基于生成模型的方法来自动设计具有增强的结合特异性或中和能力的抗体的 CDRs。该方法系统地利用了序列和三维结构之间的关系，并在设计中具有更高的效率和灵活性，最终成功设计出能够中和 SARS-CoV-2 病毒的抗体。

Oct, 2021

通过使用预先训练的条件扩散模型和等变神经网络，我们提出了直接基于能量偏好优化的方法来指导特定抗原的抗体生成，以获得具有合理结构和显著结合亲和力的抗体设计，实验证明了我们方法在优化抗体能量和提高结合亲和力方面的卓越性能。

Mar, 2024

我们引入了 IgDiff，这是一种基于一般蛋白质骨架扩散框架的抗体可变域扩散模型，扩展到处理多条链。我们评估了我们模型生成的结构的可设计性和新颖性，发现 IgDiff 产生出高度可设计的抗体，其中包含了新颖的结合区域。抽样结构的骨干二面角与参考抗体分布显示出良好的一致性。我们实验证实了这些设计的抗体，并发现全部高产。最后，我们将我们的模型与最先进的生成性骨架扩散模型在一系列抗体设计任务中进行了比较，例如互补决定区的设计或将轻链配对到现有重链上，并展示了改进的特性和可设计性。

May, 2024

本文提出了一种基于预训练模型的计算抗体设计方法，通过对抗体序列数据的预先训练，结合一种一次性的序列 - 结构生成方法和精心设计的模块，成功地生成了具有高性能的抗原特异性抗体。

Oct, 2022

AbDiffuser 是一种依对称性且物理信息感知的扩散模型，用于联合生成抗体的三维结构和序列。它基于蛋白质结构的新表示法，依赖于新颖的对齐蛋白质架构，并利用强扩散先验知识来改进去噪过程。我们的方法借助领域知识和物理约束来改善蛋白质扩散，并能处理序列长度改变，同时将内存复杂度降低一个量级，使得骨架和侧链生成成为可能。我们通过理论和实验验证了 AbDiffuser 的有效性，数值实验展示了 AbDiffuser 生成抗体序列和结构属性与参考集密切相似。实验室实验证实了发现的 16 种 HER2 抗体均具有高表达，且 57.1% 的设计是紧密结合物。

Jul, 2023

我们提出了一种力导向的 SE (3) 扩散模型 ConfDiff，用于蛋白质构象的生成，该模型融合了力导向网络和基于数据的评分模型，能够生成具有多样性且高保真性的蛋白质构象。实验证明，我们的方法在多种蛋白质构象预测任务中优于现有方法。

Mar, 2024

利用基于蛋白质为环境约束的扩散模型，在非自回归的完整原子水平上，去噪元素类型和整个分子的三维坐标，学习生成过程，相较其他方法具有更高的相似性和更适当的分子大小以及其他药物性质。

Nov, 2022

使用神经网络作为可微能量函数代理，我们提出了一种导向方法，能够将扩散抽样过程引导至改进的蛋白质配体结合，从而调整配体与蛋白质之间的结合亲和力分布，以提高生成配体与其蛋白质受体的结合亲和力，优于以往的机器学习方法。

Jun, 2024

本文提出了一种深度生成模型，可在一次试验中协同设计抗体 CDR 的一维序列和三维结构，并通过广泛实验证明其性能优于现有方法。

Apr, 2023